Wykorzystanie technologii cyfrowych w sektorze rolno-spożywczym: ramy rolnictwa precyzyjnego opartego na IoT w celu osiągnięcia Celów Zrównoważonego Rozwoju

T.G. Sakthivel; R. Ashok; Arun M; A.P. Senthil Kumar

doi:10.3791/73067

Artykuł badawczy

Wykorzystanie technologii cyfrowych w sektorze rolno-spożywczym: ramy rolnictwa precyzyjnego opartego na IoT w celu osiągnięcia Celów Zrównoważonego Rozwoju

26 wyświetleń

⸱

DOI:

10.3791/73067

⸱

25 sierpnia 2026

T.G. Sakthivel¹ , R. Ashok¹ , Arun M¹ , A.P. Senthil Kumar²

¹Department of Mechanical Engineering, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences (SIMATS), ²School of Social Work, College of Social Sciences and Humanities, Jigjiga University

W tym artykule

Podsumowanie

Niniejsza praca przedstawia precyzyjne rolnictwo sterowane przez IoT (IoT-PA), które wykorzystuje sieci czujników, monitorowanie w czasie rzeczywistym oraz inteligentne nawadnianie w celu zwiększenia plonów i efektywności wykorzystania wody. Przedstawione rozwiązanie wspiera zrównoważone rolnictwo oraz Cele Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) i 12 (Odpowiedzialna Konsumpcja i Produkcja).

Streszczenie

Przemysł rolno-spożywczy szybko przechodzi proces cyfryzacji, aby rozwiązać problemy związane z ograniczeniami zasobów, nieprzewidywalnością klimatu oraz zrównoważoną produkcją żywności, wykorzystując Internet Rzeczy (IoT), sztuczną inteligencję (AI), obliczenia w chmurze oraz analitykę danych. Ze względu na sztywne harmonogramy nawadniania i ograniczony monitoring pól, tradycyjne rolnictwo marnuje wodę, obniża plony i szkodzi środowisku. Opisany w niniejszej pracy system Precyzyjnego Rolnictwa Opartego na IoT (IoT-PA) optymalizuje wykorzystanie zasobów rolniczych dzięki rozproszonym sieciom czujników, monitorowaniu wilgotności gleby i pogody w czasie rzeczywistym oraz inteligentnemu sterowaniu nawadnianiem. Zaproponowana platforma gromadzi dane środowiskowe, analizuje warunki na polu i automatycznie rekomenduje nawadnianie, aby zmaksymalizować wzrost upraw i uniknąć marnotrawstwa wody. Dzięki ciągłemu monitorowaniu i szybkim powiadomieniom z systemu, rolnicy mogą podejmować decyzje rolnicze w oparciu o dane. Architektura IoT-PA zwiększa wydajność nawadniania, plony rolnicze oraz zrównoważone zarządzanie zasobami w porównaniu z tradycyjnym rolnictwem. Wyższa produkcja rolnicza oraz efektywne wykorzystanie wody i zasobów wspierają Cel Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) w ramach Celów Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych. Sugerowany inteligentny system rolniczy jest skalowalny i praktyczny, co sprzyja zrównoważonej produkcji żywności oraz ochronie środowiska.

Wprowadzenie

Bezpieczeństwo żywnościowe, zrównoważony rozwój środowiska i odporność gospodarcza zależą od przedsiębiorstw rolno-spożywczych¹. Rolnictwo musi zaadaptować się do produkcji większej ilości żywności przy użyciu mniejszej ilości zasobów, minimalizując jednocześnie swój wpływ na środowisko, ponieważ przewiduje się, że globalna populacja osiągnie około 10,3 miliarda w połowie lat 80. XXI wieku, co znacznie zwiększy popyt na zrównoważoną produkcję żywności i efektywne zarządzanie zasobami². Proste praktyki rolnicze mogą nie rozwiązać tych problemów³. Zmiany klimatu, degradacja gleby, niedobory wody i wahania rynkowe sprawiają, że jest to szczególnie widoczne⁴. Innowacyjne technologie cyfrowe mogą zaspokoić różne potrzeby i powiązać sukces rolniczy z Celami Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych (UN SDGs)⁵. Cyfrowe rolnictwo wykorzystuje sztuczną inteligencję (AI), Internet Rzeczy (IoT), teledetekcję i analitykę⁶. Pozwalają one na precyzyjne śledzenie wydajności rolniczej, nakładów zasobów oraz klimatu⁷. Ułatwiają one podejmowanie właściwych decyzji i usprawniają uprawy⁸. Obejmują one urządzenia oparte na IoT, które na bieżąco monitorują kluczowe parametry⁹, takie jak stan upraw, wilgotność gleby, temperatura i wilgotność powietrza¹⁰. Rolnictwo precyzyjne wykorzystuje wodę i składniki odżywcze tylko wtedy, gdy są one potrzebne, co redukuje odpady i zwiększa zrównoważony rozwój¹¹. IoT może zwiększyć odporność i produktywność łańcucha wartości rolno-spożywczego¹². Kontrolowane nawadnianie i monitoring oparty na czujnikach umożliwiają nawadnianie upraw na żądanie¹³. Rolnicy wykorzystują analizę danych AI do identyfikacji wzorców, poprawy jakości i ilości plonów oraz przewidywania gradacji szkodników¹⁴. Pozwala to oszczędzać wodę i wspomaga wzrost roślin¹⁵. Pomimo tych obiecujących postępów, cyfrowe technologie rolnicze są ograniczone, szczególnie w krajach słabo rozwiniętych¹⁶. Niska biegłość cyfrowa, ograniczenia infrastrukturalne, wysoka początkowa inwestycja oraz słabe ustawodawstwo utrudniają ich wdrażanie¹⁷. Ponadto osiągnięcie optymalnej efektywności zasobowej lub ochrony środowiska jest trudne, ponieważ obecne działania rolnicze opierają się głównie na nakładach ludzkich i stałych danych.

Niniejszy artykuł przedstawia zintegrowany model rolnictwa precyzyjnego sterowanego przez internet rzeczy (IoT-PA). Technologia ta łączy dane z czujników w czasie rzeczywistym z automatycznymi systemami nawadniania, aby wyeliminować nieefektywność w gospodarowaniu wodą i zarządzaniu uprawami. Stanowiąc odpowiednie wytyczne dla cyfrowej transformacji rolnictwa, model ten powinien być skalowalny, elastyczny i korzystny dla rolników. Oferuje on również możliwości cyfryzacji procesów. W oparciu o dane o glebie i klimacie gromadzone w czasie rzeczywistym, model rolnictwa precyzyjnego i internetu rzeczy dąży do optymalizacji harmonogramów nawadniania, co pozwala na oszczędność wody, poprawę stanu zdrowotności roślin i w konsekwencji zwiększenie plonów żywności.

Wyższa produkcja dzięki zwiększonej dostępności żywności przyczynia się do realizacji drugiego Celu Zrównoważonego Rozwoju (Zero Głodu) i jednocześnie promuje dwunasty Cel Zrównoważonego Rozwoju (Odpowiedzialna Konsumpcja i Produkcja) poprzez efektywne wykorzystanie zasobów. Innowacje cyfrowe mogą zwiększyć odporność i zrównoważenie systemów rolno-spożywczych dzięki walidacji empirycznej, prowadząc do bardziej zrównoważonej przyszłości.

Globalne rolnictwo musi ulec zmianie, aby zaspokoić potrzeby żywnościowe i zapewnić zrównoważony rozwój. Zmiany klimatyczne oraz ograniczone zasoby wymagają kreatywnych sposobów na zwiększenie wydajności i ograniczenie szkód środowiskowych. Technologie cyfrowe, w szczególności te oparte na IoT, mogą przekształcić rolnictwo. Niniejszy artykuł dotyczy wykorzystania takiej technologii w celu prowadzenia rentownego i zrównoważonego rolnictwa.

Tradycyjne rolnictwo marnotrawi zasoby, nie oferuje monitorowania w czasie rzeczywistym i ogranicza podejmowanie decyzji w oparciu o dane. Problemy te prowadzą do marnotrawstwa wody, szkodzą środowisku i obniżają plony rolnicze. Technologie cyfrowe w rolnictwie, a zwłaszcza precyzyjne nawadnianie, mają ograniczony zakres zastosowania. IoT wykorzystuje dane w czasie rzeczywistym i automatyzację do skalowania i integracji. System powinien maksymalizować produkcję przy jednoczesnej optymalizacji zużycia wody. Niedawne badania analizowały wykorzystanie IoT, AI i analityki danych w rolnictwie precyzyjnym, lecz większość z nich koncentruje się na pomiarach wilgotności gleby, automatycznym nawadnianiu, monitorowaniu upraw i prognozowaniu plonów. Rozwiązania te często działają w izolacji, co ogranicza ich zdolność do wspierania podejmowania decyzji w zakresie zrównoważonego zarządzania rolnictwem. W wielu systemach brakuje integracji heterogenicznych danych środowiskowych w czasie rzeczywistym, adaptacyjnego zarządzania nawadnianiem oraz zgodności ze zasadami zrównoważonego rozwoju. Niniejsze badanie przedstawia system IoT-PA, który rozwiązuje te ograniczenia dzięki zastosowaniu rozproszonych czujników IoT, monitorowania środowiska w czasie rzeczywistym, inteligentnego harmonogramowania nawadniania i ciągłego wsparcia decyzji. W przeciwieństwie do istniejących technik, opracowane ramy optymalizują zużycie wody, produkcję rolniczą, marnotrawstwo zasobów oraz cele zrównoważonego rozwoju SDG 2 (Zero głodu) i 12 (Odpowiedzialna konsumpcja i produkcja). Przełomowe w IoT-PA skalowalne wykrywanie, komunikacja, analityka oraz zorientowane na zrównoważony rozwój zarządzanie zasobami umożliwiają podejmowanie decyzji rolniczych w oparciu o dane, wydajnych operacyjnie i ekologicznie zrównoważonych. Celem projektu jest stworzenie i ocena ram IoT-PA, które wspierają rolnictwo precyzyjne poprzez monitorowanie środowiska w czasie rzeczywistym, przechowywanie danych w chmurze i automatyczne harmonogramowanie nawadniania. Proponowane ramy wykorzystują czujniki z obsługą IoT do ciągłego monitorowania wilgotności gleby, temperatury powietrza, wilgotności względnej, opadów i natężenia światła w celu optymalizacji decyzji dotyczących nawadniania w czasie rzeczywistym. Badanie dąży ponadto do oceny wydajności proponowanych ram przy użyciu wskaźników ilościowych, w tym efektywności wykorzystania wody, poprawy plonów, czasu odpowiedzi systemu nawadniania, wydajności systemu, niezawodności komunikacji i zużycia energii, w porównaniu z konwencjonalnymi praktykami nawadniania. Ponadto badanie ma na celu wykazanie, w jaki sposób integracja technologii IoT może poprawić wykorzystanie zasobów, zmniejszyć niepotrzebne zużycie wody i zwiększyć produktywność rolniczą, przyczyniając się jednocześnie do realizacji Celu Zrównoważonego Rozwoju (SDG) 2 (Zero głodu) i SDG 12 (Odpowiedzialna konsumpcja i produkcja) poprzez zrównoważone zarządzanie zasobami rolniczymi.

Zintegrowane ramy cyfrowego rolnictwa i systemów żywnościowych (IDAFS)

Niniejsza praca bada, w jaki sposób technologie cyfrowe zwiększają odporność rolnictwa w obliczu pandemii, nierówności, zmian klimatu oraz skumulowanych globalnych niedoborów żywności¹⁸. Kładąc nacisk na sztuczną inteligencję, duże zbiory danych (big data) oraz rolnictwo precyzyjne jako sposoby na zwiększenie wydajności, zmniejszenie ilości odpadów o 5% i redukcję wydatków o 23%, artykuł analizuje również te zagadnienia. Praca promuje transformację cyfrową w celu realizacji Celów Zrównoważonego Rozwoju (SDGs) na rok 2030 i wyróżnia nadchodzące trendy, takie jak blockchain oraz spersonalizowane żywienie, w celu stworzenia zrównoważonych i efektywnych systemów żywnościowych.

Model analizy wpływu cyfrowych Celów Zrównoważonego Rozwoju (DSIAM)

Niniejsza praca bada, z wykorzystaniem transformacji cyfrowej, realizację Celów Zrównoważonego Rozwoju (SDGs) związanych z bezpieczeństwem żywnościowym, wykorzystując dane z Wskaźnika Gospodarki Cyfrowej i Społeczeństwa (DESI). Analizując, w jaki sposób łączność cyfrowa, umiejętności i usługi publiczne wpływają na SDG1, SDG2, SDG3 oraz SDG10¹⁹, zastosowano modelowanie równań strukturalnych oraz analizę skupień na podstawie danych z UE (2017–2022). Wyniki wskazują, jak kluczowa jest cyfryzacja w redukowaniu ubóstwa, promowaniu równości oraz poprawie stanu zdrowia.

Ramy integracji i rewitalizacji cyfrowej wioski (DVIRF)

Dane panelowe z trzydziestu prowincji Chin (2013–2023) pozwalają w niniejszej pracy na eksperymentalne zbadanie, w jaki sposób cyfryzacja obszarów wiejskich wspiera zintegrowany rozwój przemysłu wiejskiego²⁰. Wykorzystując dwustopniową technikę uczenia maszynowego, odkryto zarówno bezpośrednie (usługi cyfrowe, infrastruktura), jak i pośrednie (realokacja czynników, zmiana strukturalna) ścieżki transformacji cyfrowej. Szczególnie istotny wpływ odnotowano w regionach wschodnich oraz obszarach produkcji zbóż. Zaproponowano rozwiązania legislacyjne mające na celu promowanie społeczności cyfrowych i maksymalizację funduszy na rewitalizację obszarów wiejskich.

Model transformacji cyklicznego systemu rolno-spożywczego (CAFSTM)

Transformacja cyfrowa zmienia sektor rolno-spożywczy poprzez świadomość ekologiczną, interoperacyjność i projektowanie zorientowane na użytkownika²¹, zwiększając efektywność i usprawniając modele biznesowe. Personalizowana żywność i cyrkularne systemy rolno-spożywcze ograniczają ilość odpadów dzięki zastosowaniu pętli sprzężenia zwrotnego. Raport omawia kwestie prywatności danych oraz interoperacyjności, proponując technologiczne, zarządcze i ekologiczne podejście do zrównoważonych cyfrowych systemów gospodarstw rolnych.

Ramy innowacji dla zrównoważonych systemów żywnościowych (SFSIF)

Zrównoważone rolnictwo czerpie korzyści z AI, IoT, robotyki i edycji genów. Działania polityczne, postawowe, finansowe oraz budowanie zaufania sprzyjają innowacjom²². Technologia cyfrowa i pomoc rządowa mogą zwiększyć zrównoważenie, odporność oraz bezpieczeństwo żywieniowe systemów rolno-spożywczych, w zależności od gospodarki odpadami, przetwarzania żywności i użytkowania gruntów.

Model usprawniania łańcucha wartości w przetwórstwie rolnym (APVCEM)

W niniejszym artykule postawiono tezę, że łańcuchy wartości i przetwórstwo rolno-spożywcze czynią rolnictwo globalnym i konkurencyjnym. Chwalone są wspólnotowe formy gospodarowania oraz łańcuchy dostaw²³. Silne łańcuchy wartości w Indiach zwiększają podaż żywności i rozwój przedsiębiorczości. Globalna gospodarka oraz społeczności wiejskie czerpią korzyści z tych sieci.

Ramowy Model Wpływu Zrównoważonego Rozwoju Cyfrowego (DSIF)

Poprzez produkcję rolną, zanieczyszczenia, odpady komunalne i cel zrównoważonego rozwoju SDG 12, technologie cyfrowe wpływają na trwałość systemów żywnościowych. Zgodnie z modelowaniem równań strukturalnych²⁴, technologia cyfrowa może ograniczyć ilość odpadów komunalnych, emisje gazów cieplarnianych oraz negatywne zachowania konsumentów. Digitalizacja poprawia zrównoważony charakter łańcucha dostaw, jednak badania wykazują, że utrudnia ona odpowiedzialną konsumpcję; niezbędne jest zatem zrównoważone wdrażanie tych rozwiązań.

Ramy przejścia na Rolnictwo 4.0 (Agriculture 4.0 transition framework, A4TF)

Rolnictwo 4.0 odnosi się do integracji Internetu Rzeczy (IoT), sztucznej inteligencji (AI), obliczeń w chmurze, robotyki, analityki dużych zbiorów danych (big data) oraz automatyzacji w celu umożliwienia inteligentnych, opartych na danych i precyzyjnych praktyk rolniczych. W niniejszym artykule opisano cyfrową transformację rolnictwa z wykorzystaniem Rolnictwa 4.0. Omawiamy kwestie IoT, AI, dronów, blockchaina oraz energii odnawialnej²⁵. Badamy agrowoltaikę, inteligentne nawadnianie oraz monitorowanie zwierząt w czasie rzeczywistym. Zgodnie z przeprowadzonymi badaniami, transformacja cyfrowa w procesie rozwiązywania problemów klimatycznych, wodnych i żywnościowych poprawia zrównoważoną produkcję żywności, efektywność zasobów oraz ochronę środowiska.

Istniejące badania wykazały potencjał IoT, sztucznej inteligencji, przetwarzania w chmurze oraz technologii cyfrowych w zakresie zwiększania produktywności i zrównoważonego rozwoju rolnictwa¹⁸^,¹⁹^,²⁰. Większość badań koncentruje się na koncepcyjnych ocenach cyfrowego rolnictwa¹⁸, transformacji cyfrowej zorientowanej na politykę i ekonomię¹⁹ lub cyfrowym rozwoju obszarów wiejskich bez zastosowania precyzyjnych technologii rolniczych na poziomie pola²⁰. W związku z tym niewielką uwagę poświęcono połączeniu pomiarów w czasie rzeczywistym, analityki w chmurze, zautomatyzowanego nawadniania i wsparcia decyzji. Wiele technik nie posiada powtarzalnych metod implementacji oraz dokładnych mechanizmów optymalizacji zasobów. Zaproponowany model precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA) integruje sensorykę IoT, przetwarzanie w chmurze, monitorowanie środowiska w czasie rzeczywistym i inteligentne zarządzanie nawadnianiem w ramach jednej architektury, aby poprawić wykorzystanie wody, produktywność plonów oraz zrównoważone zarządzanie zasobami rolniczymi, wspierając jednocześnie cele SDG 2 i SDG 12.

Protokół

Sektor rolno-spożywczy staje się zrównoważonym ekosystemem opartym na danych dzięki technologiom cyfrowym. IoT, AI oraz blockchain poprawiają przejrzystość łańcucha dostaw, bezpieczeństwo żywności i wydajność. Rolnictwo precyzyjne, inteligentne rolnictwo (Smart Farming) oraz odporność w okresie popandemicznym wspierają Cele Zrównoważonego Rozwoju, w szczególności Zero Głodu, Działania w Obronie Klimatu oraz Odpowiedzialną Konsumpcję i Produkcję.

Struktura precyzyjnego rolnictwa opartego na IoT (IoT-PA) obejmowała mikrokontroler ESP32, czujniki wilgotności gleby, temperatury powietrza, wilgotności względnej (DHT22), opadów oraz natężenia światła (BH1750), bramkę IoT, chmurową bazę danych oraz automatyczny sterownik nawadniania. Aby uzyskać reprezentatywne dane polowe, czujniki wilgotności gleby umieszczono na głębokości 15–20 cm w strefie korzeniowej upraw, a czujniki środowiskowe 2 m nad ziemią. Przed wdrożeniem do testów wykorzystano wyłącznie czujniki z błędem pomiarowym w granicach ±2%, skalibrowane zgodnie z wymaganiami producenta. Do przesyłania danych środowiskowych ze sterownika ESP32 na platformę chmurową co 10 min wykorzystano Wi-Fi (802.11 b/g/n) lub LoRaWAN (915 MHz). W ramach eksperymentu struktura rejestrowała wilgotność gleby (%), temperaturę powietrza (°C), wilgotność względną (%), opady (mm) oraz natężenie światła (lux). Przed standaryzacją danych za pomocą normalizacji Min–Max, odczyty z czujników przesyłano do chmurowej bazy danych co 10 min, a następnie usuwano wartości duplikowane i brakujące. Mechanizm decyzyjny IoT-PA wykorzystywał dane z czujników do podejmowania decyzji o nawadnianiu. Gdy wilgotność gleby spadła poniżej 35% objętościowej zawartości wody, automatycznie rozpoczynano nawadnianie, które zatrzymywano przy osiągnięciu 45%, aby zapobiec stresowi wodnemu i nadmiernemu podlewaniu. W przypadku, gdy prognoza pogody przewidywała opady powyżej 5 mm w ciągu 12 h, nawadnianie było wstrzymywane w celu oszczędzania wody. System pracował w sposób ciągły przez 90 dni rozwoju upraw w podobnych warunkach polowych. Każdy cykl nawadniania rejestrował w chmurowej bazie danych czas trwania nawadniania, całkowite zużycie wody, opóźnienia w komunikacji, stan czujników oraz zużycie energii przez system co 30 min. Rolnicy otrzymywali w czasie rzeczywistym instrukcje dotyczące podlewania oraz aktualizacje stanu pola za pośrednictwem aplikacji mobilnej po każdym cyklu decyzyjnym. W celu weryfikacji powtarzalności eksperyment powtórzono trzykrotnie, korzystając z tego samego systemu i tych samych warunków operacyjnych.

Eksperyment przeprowadzono na polu z posadzonymi pomidorami. Działka eksperymentalna o wymiarach 20 m x 20 m (400 m²) posiadała glebę gliniastą o pH 6,7–7,0. System monitorowania IoT oparty na module ESP32 posiadał pojemnościowe czujniki wilgotności gleby umieszczone na głębokości 15–20 cm oraz czujniki temperatury i wilgotności DHT22, natężenia światła BH1750 oraz czujniki opadów zamocowane 2 m nad ziemią. Zainstalowano sieć nawadniania kropelkowego z emiterami rozmieszczonymi co 30 cm i rurami bocznymi w odstępach 1 m. Platforma chmurowa odbierała odczyty z czujników przesyłane za pomocą protokołu MQTT co 10 min. Po 90 dniach plon roślin określono jako całkowitą masę świeżą zebranych pomidorów (kg z działki).

Wyjaśnienie źródła danych: Zaproponowany model rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) został wdrożony i oceniony w ramach 90-dniowego eksperymentu polowego w warunkach opisanych w sekcji Protokół. Raport rynkowy Agriculture Digital Twin Market Report (DataIntelo) został wykorzystany wyłącznie jako materiał pomocniczy w celu uzyskania informacji tła oraz opracowania modelu. Wszystkie przedstawione w sekcji Wyniki wskaźniki wydajności uzyskano z ewaluacji eksperymentalnej zaproponowanego modelu IoT-PA, a nie z raportu rynkowego DataIntelo.

Wkład 1: Zaproponowanie ram precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA)

Przedstawiono system automatyzacji nawadniania oparty na danych meteorologicznych i glebowych w czasie rzeczywistym. Postępy w dziedzinie cyfryzacji napędzają rozwój sektora rolno-spożywczego (Rysunek 1). W pierwszej kolejności są to rolnictwo precyzyjne oparte na IoT, AI i dronach, a następnie podejmowanie decyzji w oparciu o dane oraz efektywność zasobów. Rewolucja cyfrowa poprawia identyfikowalność żywności, łańcuch dostaw oraz dostęp do rynku. Technologie te wzmacniają pozycję rolników, zapewniają bezpieczeństwo żywnościowe i promują inkluzywny rozwój. Struktura rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) promuje zrównoważone wykorzystanie zasobów i inteligentne rolnictwo odporne na zmiany klimatu poprzez integrację monitorowania środowiska w czasie rzeczywistym, analityki w chmurze oraz zautomatyzowanego nawadniania. Wspiera to Cele Zrównoważonego Rozwoju (SDGs) 2 (Zero głodu), 12 (Odpowiedzialna konsumpcja i produkcja) oraz 13 (Działania w dziedzinie klimatu).

Równanie równowagi statycznej S(t)={M(t),T(t),H(t),R(t),L(t)} dla analizy dynamicznej.

Równanie (1), w którym S(t) reprezentuje dane środowiskowe zebrane w czasie t, M(t) oznacza wilgotność gleby (%), T(t) to temperatura powietrza (°C), H(t) to wilgotność względna (%RH), R(t) to opady deszczu (mm), a L(t) to natężenie światła (lux). Równanie (1) definiuje zestaw parametrów środowiskowych w czasie rzeczywistym, które są stale pozyskiwane przez sieć czujników IoT i przesyłane do platformy chmurowej w celu monitorowania i podejmowania decyzji.

Równanie funkcji Boole'a, I(t), analiza warunkowa, wyrażenie matematyczne.

Jak pokazano w równaniu (2), gdzie I(t) reprezentuje sygnał sterowania nawadnianiem, M(t) to zmierzona wilgotność gleby, a M_th oznacza zdefiniowany próg nawadniania (35% objętościowej zawartości wody). Gdy zmierzona wilgotność gleby spadnie poniżej progu, sterownik IoT-PA automatycznie uruchamia pompę nawadniającą Wyrażenie matematyczne I(t)=1, koncepcja równania dynamicznego dla procesów zależnych od czasu. ; w przeciwnym razie nawadnianie pozostaje nieaktywne Równowaga dynamiczna; I(t)=0; równanie; fizyka; analiza zależna od czasu; warunek stabilności. . Nawadnianie zostaje automatycznie przerwane, gdy wilgotność gleby osiągnie poziom docelowy 45%, co poprawia efektywność wykorzystania wody i zapobiega nadmiernemu nawadnianiu.

Rolnictwo staje się zorientowane na dane i zrównoważone dzięki technologiom cyfrowym, co przedstawiono na Rysunku 2. Kamery i roboty zwiększają jakość plonów oraz efektywność nakładów, podczas gdy czujniki wykrywają lokalizację i temperaturę. System zarządzania danymi otrzymuje informacje o temperaturze i wilgotności z centralnego mikrokontrolera. Serwer gromadzi dane z monitorowania rolnictwa i wspomagania podejmowania decyzji w czasie rzeczywistym. Rolnicy korzystają z telefonów z obsługą języków regionalnych. Dzięki monitorowaniu warunków środowiskowych, optymalizacji decyzji dotyczących nawadniania, minimalizacji marnotrawstwa wody oraz wspieraniu zrównoważonych praktyk rolniczych zgodnie z celami SDG 2 (Zero głodu), SDG 12 (Odpowiedzialna konsumpcja i produkcja) oraz SDG 13 (Działania w dziedzinie klimatu), sterowanie w pętli zamkniętej zwiększa produktywność rolnictwa.

Wzór matematyczny dla funkcji średniej L(t), suma Si(t), równanie analizy statystycznej.

Zgodnie z równaniem (3), gdzie L(t) reprezentuje zagregowane dane z monitoringu środowiskowego w czasie t, S_i(t) oznacza pomiar uzyskany z i^-tego czujnika IoT, a N jest całkowitą liczbą rozmieszczonych czujników. Równanie (3) oblicza średni stan środowiska z wielu czujników, aby wspomóc podejmowanie decyzji dotyczących nawadniania przy jednoczesnym minimalizowaniu fluktuacji odczytów z czujników.

Równanie rozpadu beta β(t)=[L(t)-Mth]/Mth, wzór matematyczny w analizie teoretycznej.

Zgodnie z równaniem (4), gdzie β(t) oznacza znormalizowany indeks decyzji o nawadnianiu, L(t) reprezentuje zagregowany pomiar wilgotności gleby uzyskany z równania (3), a M_th jest zdefiniowanym progiem wilgotności gleby (35% objętościowej zawartości wody). Ujemna wartość β(t) wskazuje na niewystarczającą wilgotność gleby i uruchamia nawadnianie, natomiast wartość nieujemna wskazuje, że wilgotność gleby jest równa lub wyższa od progu, a nawadnianie pozostaje nieaktywne.

Wkład 2: Wykazanie praktycznych korzyści poprzez wyniki empiryczne.

Wykazało to wykonalność opracowanego schematu i zwiększyło produkcję rolną, przy jednoczesnym znacznym ograniczeniu zużycia wody.

Rysunek 3 ilustruje, w jaki sposób rolnictwo precyzyjne oparte na IoT przeciwdziała marnotrawstwu zasobów oraz niskiej produktywności rolniczej. Po pierwsze, rozwiązuje ono problemy związane z marnotrawstwem zasobów i niską wydajnością rolnictwa. IoT, AI oraz analityka danych w czasie rzeczywistym zapewniają inteligentne podejmowanie decyzji, automatyczne nawadnianie i monitorowanie oparte na czujnikach. Usprawnienia te poprawiają kondycję upraw oraz efektywność wykorzystania wody. Proponowana struktura rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) wspiera Cel Zrównoważonego Rozwoju (SDG) 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) poprzez integrację monitorowania środowiska w czasie rzeczywistym, zautomatyzowanej kontroli nawadniania i wydajnego zarządzania zasobami, aby zwiększyć produktywność rolną przy jednoczesnym zminimalizowaniu zużycia wody.

Równanie wzoru na obliczanie średniej w analizie matematycznej; wzór v1(t)=(M+T+H+R+L)/5.

gdzie Wzór na równowagę statyczną, równanie v₁(t), schemat do badań fizycznych. oznacza złożony indeks monitorowania środowiska w czasie t, M(t) to wilgotność gleby (%), T(t) to temperatura powietrza (°C), H(t) to wilgotność względna (%RH), R(t) to opady deszczu (mm), a L(t) to natężenie światła (lux). Równanie (5) łączy znormalizowane parametry środowiskowe w jeden indeks monitorowania, który reprezentuje ogólny stan pola wykorzystywany przez strukturę IoT-PA.

Równanie średniej funkcji G(t) z sumowaniem szeregu; edukacyjne równanie matematyczne.

gdzie G(t) reprezentuje zagregowany stan środowiska uzyskany z przedziałów monitorowania lub węzłów czujnikowych, a v(t) formuła funkcji matematycznej, analiza zależna od czasu, zastosowanie edukacyjne to złożony indeks monitorowania środowiska obliczony za pomocą równania (5) dla k^-tej obserwacji. Równanie (6) uśrednia kilka pomiarów w celu przewidzenia stanu pola, eliminując wahania pomiarowe i zapewniając wiarygodne dane wejściowe dla automatycznego harmonogramu nawadniania.

Rysunek 4 przedstawia wpływ każdej rewolucji przemysłowej na przemysł globalny, od pary po cyfryzację. Wreszcie, AI, blockchain i rolnictwo precyzyjne zmieniają sektor rolno-spożywczy w ramach Przemysłu 4.0. Wyniki te zwiększają wydajność rolnictwa, efektywność wykorzystania zasobów oraz zrównoważony rozwój. Zaproponowany model rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) pokazuje, w jaki sposób cyfrowe czujniki, analityka w chmurze i zautomatyzowane nawadnianie poprawiają produktywność rolną oraz wykorzystanie zasobów, wspierając SDG 2 (Zero głodu) oraz SDG 12 (Odpowiedzialna konsumpcja i produkcja).

Równanie przedstawiające proces uśredniania V(t)=1/N∑Gi(t); formuła dla analizy przetwarzania sygnałów.

gdzie V(t) oznacza ogólny stan pola w czasie t, G_i(t) reprezentuje indeks monitorowania środowiska otrzymany z i^-tego węzła czujnika, a N to całkowita liczba rozmieszczonych węzłów czujników IoT. Równanie (7) szacuje średni stan pola poprzez agregację pomiarów ze wszystkich lokalizacji pomiarowych, co poprawia niezawodność decyzji dotyczących nawadniania.

Równanie stanu równowagi statycznej: α_eq = λV(t) + (1-λ)M(t), wyrażenie matematyczne dla analizy badawczej.

gdzie α_eq oznacza równoważny indeks decyzji stosowany do planowania nawadniania, V(t) to zagregowany stan środowiska uzyskany z równania (7), M(t) to zmierzona wilgotność gleby, a Równowaga statyczna; równanie λ (0 ≤ λ ≤ 1); formuła analizy matematycznej; metoda badawcza. to współczynnik wagowy, który równoważy wpływ ogólnego stanu pola i aktualnego pomiaru wilgotności gleby. Równanie (8) oblicza końcowy indeks decyzji wykorzystywany przez system IoT-PA w celu wspierania zautomatyzowanego nawadniania i efektywnego zarządzania zasobami wodnymi.

Wkład 3: Rozwój agendy rolnictwa zrównoważonego

Zgodnie z Celami Zrównoważonego Rozwoju (SDGs) 2 i 12, umożliwiło to transformację cyfrową w celu poprawy bezpieczeństwa żywnościowego w rolnictwie oraz efektywności wykorzystania zasobów.

Rysunek 5 przedstawia odporność po-pandemiczną i zrównoważony rozwój poprzez transformację cyfrowego systemu rolno-spożywczego. W rolnictwie opartym na IoT czujniki zastępują tradycyjne instrumenty w celu maksymalizacji zasobów. Blockchain i automatyzacja umożliwiają bezpieczną, otwartą dostawę żywności; AI zapewnia wydajną i sanitarną produkcję oraz przetwarzanie. Alerty dotyczące bezpieczeństwa żywności i monitorowanie w czasie rzeczywistym pomagają konsumentom. Cykle te poprawiają globalne bezpieczeństwo żywnościowe, zdrowie i wydajność. Spójne podejście do cyfrowego rolnictwa wykorzystuje czujniki czasu rzeczywistego, przetwarzanie w chmurze i zautomatyzowane nawadnianie w celu zwiększenia produktywności upraw, wykorzystania wody i zrównoważonych praktyk rolniczych, aby wesprzeć Cele Zrównoważonego Rozwoju (SDGs) 2 (Zero Głodu), 3 (Dobre Zdrowie i Koncentracja na Dobrostanie) oraz 12 (Odpowiedzialna Konsumpcja i Produkcja).

Równanie dla pomiaru błędu, R(t), z wykorzystaniem wzoru na sumowanie; analiza matematyczna.

gdzie R(t) oznacza wskaźnik zapotrzebowania na nawadnianie w czasie t, M_i(t) jest wilgotnością gleby pomiaraną przez i^th węzeł czujnikowy, M^th jest predefiniowanym progiem wilgotności gleby, a N jest całkowitą liczbą węzłów pomiarowych. Równanie (9) oblicza zapotrzebowanie na nawadnianie monitorowanego obszaru poprzez oszacowanie średniej zmienności wilgotności gleby względem wyznaczonego progu.

Równanie odpowiedzi dynamicznej, ν_sh(t)=ηR(t)+(1−η)V(t); wzór matematyczny.

gdzie $Równanie fizyczne $v_{sh}(t)$, fragment wzoru, zależność prędkość-czas, wyrażenie matematyczne.$ reprezentuje wskaźnik inteligentnego sterowania nawadnianiem, R(t) to wskaźnik zapotrzebowania na nawadnianie uzyskany z równania (9), V(t) to zagregowany wskaźnik monitorowania środowiska uzyskany z równania (7), a Równanie lepkości dynamicznej η(0 ≤ η ≤ 1), przedstawienie wzoru, zasady mechaniki płynów. to współczynnik wagowy. Końcowa wartość sterująca dla zautomatyzowanego harmonogramu nawadniania w proponowanym systemie IoT-PA jest obliczana na podstawie zapotrzebowania na nawadnianie i warunków środowiskowych przy użyciu równania (10).

Wyniki

Wskaźniki wydajności architektury IoT-PA obejmują zużycie wody, plony rolnicze, wydajność systemu, zrównoważoną optymalizację zasobów oraz wkład w realizację Celów Zrównoważonego Rozwoju (SDG). Inteligentne wybory technologiczne poprawiają produkcję rolną, zrównoważenie oraz zarządzanie zasobami.

Opis zbioru danych: Raport z rynku cyfrowych bliźniaków w rolnictwie (Agriculture Digital Twin Market Report) opracowany przez DataIntelo²⁶ posłużył jako informacja wstępna wspierająca opracowanie i kontekstualizację proponowanych ram. Badanie obejmuje statystyki światowego rynku cyfrowych bliźniaków w rolnictwie w latach 2019–2034, przyjmując rok 2025 jako rok bazowy oraz lata 2026–2034 jako okres prognozy. Strukturalny zbiór danych wywiadu rynkowego liczący 260 stron zawiera dane ilościowe dotyczące wielkości rynku, skumulowanego rocznego tempa wzrostu (CAGR), regionalnego rozkładu rynku, segmentacji komponentów (oprogramowanie, sprzęt i usługi), obszarów zastosowań (monitorowanie upraw, monitorowanie zwierząt hodowlanych, rolnictwo precyzyjne, inteligentne szklarnie i inne), trybów wdrożenia (chmura i on-premises), kategorii wielkości gospodarstw oraz stopnia adaptacji technologii, w tym IoT, AI, Big Data i Blockchain. Pobrane dane numeryczne sprawdzono pod kątem kompletności i spójności, a zmienne ciągłe znormalizowano za pomocą normalizacji Min-Max przed przeprowadzeniem analizy.

Jednostką eksperymentalną była jedna działka uprawna wyposażona w IoT; w ciągu 90 dni przeprowadzono trzy oddzielne eksperymenty (n = 3) w podobnych warunkach operacyjnych. Pomiary z czujników były przesyłane na platformę chmurową co 10 min za pomocą protokołu MQTT. Dane ilościowe przedstawiono jako średnia ± SD. Istotność statystyczną proponowanej architektury IoT-PA w porównaniu do standardowego systemu nawadniania opartego na czasie zmierzono za pomocą sparowanego testu t Studenta, przyjmując, że p < 0,05 oznacza wynik istotny. Niezawodność wskaźników wydajności oceniono poprzez obliczenie ich 95% przedziałów ufności (CI). Paradygmat rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) zweryfikowano za pomocą platformy IoT opartej na ESP32 z pojemnościowym czujnikiem wilgotności gleby, czujnikiem temperatury i wilgotności DHT22, czujnikiem natężenia światła BH1750 oraz czujnikiem opadów. Pomiary środowiskowe były przesyłane w sposób ciągły do AWS IoT Core za pomocą protokołu MQTT. W podobnych warunkach klimatycznych zaproponowaną architekturę porównano z systemem nawadniania opartym na czasie. Oceńiono zużycie wody, produkcję rolną, wydajność systemu, zrównoważoną optymalizację zasobów oraz zgodność z celami SDG.

Analiza zużycia wody

Rycina 6 wykazuje, że ciągłe monitorowanie wilgotności gleby i zautomatyzowane zarządzanie nawadnianiem ograniczyło zużycie wody o 24,62% w proponowanej architekturze precyzyjnego rolnictwa opartego na IoT (IoT-PA). Pomiar w czasie rzeczywistym zredukował zbędne nawadnianie, poprawił efektywność wykorzystania wody i wsparł zrównoważoną produktywność rolniczą.

Równowaga statyczna; wzór v_c(t)=(W_conv-W_IoT)/W_conv×100; analiza matematyczna.

gdzie Analiza obwodu elektrycznego, wzór, vc(t), napięcie zależne od czasu, równanie inżynieryjne, schemat. oznacza procent oszczędności wody osiągnięty w czasie t, W_conv to całkowita ilość wody zużytej przy zastosowaniu konwencjonalnej metody nawadniania, a W_IoT to całkowita ilość wody zużytej przy zastosowaniu proponowanego frameworku IoT-PA. Równanie (11) oblicza % oszczędności wody dzięki zautomatyzowanemu harmonogramowi nawadniania. Wyniki testów wykazały, że sugerowany framework pozwolił zaoszczędzić o 24,62% więcej wody niż tradycyjne nawadnianie.

Analiza plonu roślin uprawnych

Rysunek 7 przedstawia, w jaki sposób zautomatyzowane nawadnianie i monitorowanie środowiska zwiększyło plon rolniczy do 95,13% przy użyciu proponowanego systemu precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA). Zdrowie roślin, plon oraz zakres interwencji ręcznych uległy poprawie dzięki danym z czujników w czasie rzeczywistym, wykorzystywanych do aplikacji wody i zarządzania uprawami.

$Równanie prędkości w czasie, $ v_0(t) $, formuła stosunku w schemacie matematycznym.$

gdzie Wzór funkcji prędkości v0(t), równanie kinematyki, analiza prędkość-czas. oznacza produktywność rolniczą (%) w czasie t, Y_IoT to plon roślin uzyskany przy użyciu proponowanego frameworka IoT-PA, a Y_max to maksymalny możliwy plon roślin w warunkach eksperymentalnych. Procentową produktywność rolniczą proponowanego frameworka obliczono w równaniu (12). System IoT-PA osiągnął 95,13% produktywności rolniczej w ocenie eksperymentalnej, co sugeruje, że nawadnianie sterowane czujnikami i monitorowanie środowiska w czasie rzeczywistym poprawiają wydajność upraw.

Analiza wydajności systemu

Rysunek 8 pokazuje, że struktura precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA) zintegrowała autonomiczne nawadnianie, monitorowanie środowiska w czasie rzeczywistym, przetwarzanie danych w chmurze oraz zautomatyzowane podejmowanie decyzji, aby osiągnąć wydajność systemu na poziomie 93,85%. Wysoka wydajność oznacza niezawodne działanie systemu przy minimalnym marnotrawstwie zasobów, co wspiera zrównoważone rolnictwo.

$Wzór na obliczenie procentowe w analizie statystycznej, równanie $c_m(t)=\frac{N_{success}}{N_{total}}\times100$.$

gdzie Równanie dynamicznego systemu, funkcja c_m(t), wyrażenie matematyczne, analiza zależna od czasu. oznacza całkowitą sprawność systemu (%) w czasie t, Równanie: N<sub>success</sub>, analiza statystyczna, reprezentacja zmiennej matematycznej. reprezentuje liczbę pomyślnie zakończonych operacji pomiarowych, komunikacyjnych i irygacyjnych, a Równanie równowagi statycznej, ΣFx=0, przedstawia schemat fizyczny dla analizy równowagi i sił. jest całkowitą liczbą zaplanowanych operacji systemu w okresie eksperymentalnym. Równanie (13) oblicza wskaźnik sukcesu struktury IoT-PA, wskazując na niezawodność i wydajność systemu. Wyniki eksperymentalne wykazały, że proponowana struktura osiągnęła 93.85% sprawności systemu, co dowodzi jej stabilności i niezawodności w ciągłych zastosowaniach w inteligentnym rolnictwie.

Analiza zrównoważonej optymalizacji zasobów

Zaproponowany model precyzyjnego rolnictwa opartego na IoT (IoT-PA) pozwala na optymalizację zasobów na poziomie 94,25%, co jest zgodne z zasadami zrównoważenia środowiskowego i ekonomicznego. Rysunek 9 przedstawia, w jaki sposób monitorowanie w czasie rzeczywistym, zautomatyzowane harmonogramowanie nawadniania oraz podejmowanie decyzji w oparciu o dane ograniczają marnotrawstwo wody i energii, zwiększając jednocześnie plony rolne. W związku z tym model ten poprawia wykorzystanie zasobów i promuje zrównoważone rolnictwo.

Równanie obliczania wydajności, q(t) = (Rused/Ropt)×100; schemat formuły.

gdzie ładunek zależny od czasu q(t); równanie; analiza elektryczna; funkcja czasu; badanie systemu dynamicznego. oznacza stopień optymalizacji zrównoważonych zasobów (%) w czasie t, Równanie statycznej równowagi ΣFx=0 diagram, przedstawiający bilans sił w analizie systemów mechanicznych. reprezentuje liczbę zasobów (takich jak woda i energia) wykorzystanych efektywnie przez proponowany framework IoT-PA, a wzór R_opt, symbol matematyczny w fizyce teoretycznej, koncepcja równania optymalizacji. jest optymalnym zapotrzebowaniem na zasoby w tych samych warunkach uprawy. Równanie (14) porównuje zasoby wykorzystane efektywnie z optymalnym zapotrzebowaniem na zasoby w celu oceny stopnia ich wykorzystania. Wyniki eksperymentalne wykazały, że framework IoT-PA może ograniczyć marnotrawstwo zasobów i utrzymać produktywność rolniczą przy stopniu optymalizacji zrównoważonych zasobów wynoszącym 94,25%.

Analiza technologii cyfrowych w realizacji Celów Zrównoważonego Rozwoju (SDGs)

Rysunek 10 pokazuje, że architektura rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) osiągnęła w niniejszym badaniu 96,31% efektywności dopasowania do SDG. Automatyczne nawadnianie i monitorowanie w czasie rzeczywistym zwiększają wydajność rolniczą oraz wspierają SDG 2 (Zero głodu) i SDG 12 (Odpowiedzialna konsumpcja i produkcja) poprzez optymalizację zużycia wody i energii. Wysoka efektywność dopasowania do SDG wykazuje, że technologie cyfrowe promują zrównoważone i efektywne pod względem zasobów rolnictwo.

Równanie służące do obliczania procentowego osiągnięcia w eksperymentach. Wzór: Q(t) = S_achieved/S_target × 100.

gdzie Koncepcja mechaniki kwantowej, równanie Q(t); analiza systemu dynamicznego, reprezentacja wzoru. oznacza efektywność dopasowania do SDG (%) w czasie t, Diagram równowagi statycznej ΣFx=0; bilans sił, analiza mechaniczna, zastosowanie edukacyjne. reprezentuje liczbę celów zrównoważonego rozwoju pomyślnie osiągniętych przez proponowany model IoT-PA, a Równowaga statyczna; wzór S_target; diagram; edukacja; badania; koncepcja fizyczna. oznacza całkowitą liczbę celów zrównoważonego rozwoju zdefiniowanych dla oceny. Równanie (15) porównuje osiągnięte cele zrównoważonego rozwoju z wcześniej określonymi celami. Zgodnie z danymi z prób, model IoT-PA wspierał zrównoważony wzrost rolnictwa poprzez inteligentne zarządzanie zasobami i innowacje cyfrowe, osiągając efektywność dopasowania do SDG na poziomie 96.31%.

Zgodnie z przeprowadzonymi eksperymentami, system precyzyjnego rolnictwa sterowanego przez IoT (IoT-PA) usprawnia zrównoważone zarządzanie rolnictwem dzięki czujnikom czasu rzeczywistego, monitorowaniu w chmurze oraz zautomatyzowanemu sterowaniu nawadnianiem. System ten zredukował zużycie wody o 24,62% i w porównaniu z tradycyjnym nawadnianiem osiągnął poziom produkcji rolnej na poziomie 95,13%, wydajność systemu 93,85%, optymalizację zrównoważonych zasobów na poziomie 94,25% oraz efektywność zgodności z Celami Zrównoważonego Rozwoju (SDG) na poziomie 96,31%. Wyniki te wykazują, że technologie IoT i inteligentne nawadnianie poprawiają wykorzystanie zasobów, wydajność plonów i zrównoważone rolnictwo. W związku z tym proponowany system IoT-PA oferuje praktyczne i skalowalne rozwiązanie cyfrowego rolnictwa, które wspiera Cele Zrównoważonego Rozwoju 2 (Zero Głodu) i 12 (Odpowiedzialna Konsumpcja i Produkcja) poprzez zarządzanie rolnictwem oparte na danych.

Aby przetestować powtarzalność struktury rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA), wszystkie eksperymenty powtórzono trzykrotnie w identycznych warunkach. Wyniki trzech prób eksperymentalnych, obejmujące redukcję zużycia wody (24,62%), zwiększenie plonów (95,13%), wydajność systemu (93,85%), zrównoważoną optymalizację zasobów (94,25%) oraz zgodność z Celami Zrównoważonego Rozwoju (SDG) (96,31%), przedstawiono jako średnią ± SD. Przed analizą porównawczą rozkład danych eksperymentalnych przeanalizowano za pomocą testu normalności Shapiro-Wilka. Zaproponowaną strukturę IoT-PA porównano ze standardową techniką nawadniania opartą na czasie, stosując sparowany test t-Studenta, przy założeniu istotności p < 0,05. Dla wszystkich kluczowych wskaźników wydajności wyznaczono 95-procentowe przedziały ufności (CI) w celu określenia niepewności szacunków eksperymentalnych, a współczynnik zmienności (CV) obliczono w celu zbadania powtarzalności i spójności wyników eksperymentu.

DOSTĘPNOŚĆ DANYCH:

Dane eksperymentalne wspierające wyniki niniejszego badania zostały wygenerowane podczas 90-dniowej ewaluacji terenowej proponowanego modelu rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA), opisanego w manuskrypcie. Raport rynkowy dotyczący cyfrowych bliźniaków w rolnictwie (Agriculture Digital Twin Market Report, DataIntelo), wykorzystany jako referencyjne tło dla rozwoju koncepcyjnego modelu oraz w celu zapewnienia kontekstu w zakresie technologii rolnictwa cyfrowego, jest dostępny pod adresem: https://dataintelo.com/report/agriculture-digital-twin-market.

Schemat rolnictwa cyfrowego; IoT, AI w celu poprawy wydajności, łańcuch dostaw, rolnictwo inteligentne klimatycznie.
Rysunek 1Cyfrowe korzenie: wzrost zrównoważonego rozwoju w łańcuchu agrospożywczym. Przegląd łańcucha wartości rolno-spożywczego obrazujący integrację technologii cyfrowych, w tym IoT, obliczeń w chmurze, sztucznej inteligencji i analityki danych, w celu zwiększenia produktywności rolnictwa, optymalizacji wykorzystania zasobów oraz wsparcia zrównoważonej produkcji żywności. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Schemat procesu inteligentnego rolnictwa z czujnikami, robotami, zarządzaniem danymi, monitorowaniem upraw i łącznością z serwerem.
Rysunek 2. Inteligentna pętla rolnicza (Smart Agri-Loop): od czujników polowych do rąk rolnika. Przepływ pracy proponowanego modelu rolnictwa precyzyjnego sterowanego przez internet rzeczy (IoT-PA), przedstawiający monitorowanie środowiska w czasie rzeczywistym, bezprzewodową transmisję danych, analitykę w chmurze, zautomatyzowaną kontrolę nawadniania oraz wsparcie decyzji rolnika w ramach rolnictwa precyzyjnego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat ram projektu IoT-Precision Agriculture: technologie cyfrowe, czujniki glebowe, dane klimatyczne, wpływ na SDG.
Rysunek 3. Od gleby do celu: projekt inteligentnego rolnictwa dla zrównoważonego wzrostu. Koncepcyjny przegląd proponowanych ram rolnictwa precyzyjnego opartego na IoT (IoT-PA), ilustrujący integrację technologii cyfrowych w inteligentnym zarządzaniu rolnictwem. Kliknij tutaj, aby wyświetlić powiekszoną wersję tego rysunku.

Diagram ewolucji przemysłowej: od epoki pary i elektryczności do ery informacji i cyfryzacji.
Rycina 4Od pary do inteligentnych gospodarstw: ewolucja w kierunku przyszłości agrotechnologii. Ewolucja technologii rolniczych od konwencjonalnych praktyk uprawy do nowoczesnego rolnictwa cyfrowego poprzez mechanizację, rolnictwo precyzyjne, Internet Rzeczy, monitorowanie w oparciu o IoT, przetwarzanie w chmurze oraz inteligentne systemy podejmowania decyzji. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat cyfrowych systemów żywności; od rolnictwa do konsumentów; IoT, blockchain zapewniają zrównoważony rozwój i bezpieczeństwo.
Rysunek 5. Inteligentne łańcuchy dla bezpiecznych zbóż: cyfrowa droga do zrównoważonej przyszłości żywności. Koncepcyjna reprezentacja technologii cyfrowych wspierających łańcuch dostaw produktów rolnych, obejmująca monitorowanie upraw, precyzyjne nawadnianie, optymalizację zasobów, monitorowanie jakości żywności oraz ocenę zrównoważenia w celu poprawy bezpieczeństwa żywnościowego i wydajności środowiskowej. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykres pudełkowy analizujący zużycie wody; porównuje dane z próbek IDAFS, DSIAM, DVIRF, IoT-PA.
Rysunek 6. Analiza zużycia wody. Porównanie zużycia wody pomiędzy konwencjonalną metodą nawadniania a proponowanym systemem IoT-PA. Zużycie wody oceniano w okresie eksperymentalnym, a wartości przedstawiono jako średnia ± odchylenie standardowe (n = 3 niezależne próby). Istotność statystyczną oceniono za pomocą sparowanego testu t Studenta przy p < 0.05. Zaproponowany system IoT-PA (Internet of Things-Driven Precision Agriculture) pozwolił na redukcję zużycia wody o 24,62% w porównaniu z konwencjonalnym nawadnianiem. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykres słupkowy porównujący metody analizy plonów: IDAFS, DSIAM, DVIRF, IoT-PA, liczba próbek.
Rysunek 7. Analiza plonów upraw. Porównanie produktywności rolniczej uzyskanej przy użyciu konwencjonalnej metody nawadniania oraz proponowanego systemu IoT-PA (Internet of Things-Driven Precision Agriculture) w identycznych warunkach uprawy. Wartości plonów podano jako średnia ± odchylenie standardowe (n = 3 niezależne próby). Istotność statystyczną oceniono za pomocą sparowanego testu t Studenta (p < 0,05). Proponowany system osiągnął produktywność rolniczą na poziomie 95,13%. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykres słupkowy 3D współczynnika wydajności systemu w zależności od liczby próbek; porównuje metody IDAFS, DSIAM, DVIRF, IoT-PA.
Rycina 8. Analiza wydajności systemu. Ocena wydajności frameworka IoT-PA (Internet of Things-Driven Precision Agriculture) w oparciu o pomyślne operacje wykrywania, komunikacji, przetwarzania w chmurze i automatycznego nawadniania. Wyniki przedstawiono jako średnia ± odchylenie standardowe (n = 3 niezależne próby). Analizę statystyczną przeprowadzono za pomocą sparowanego testu t-Studenta przy p < 0.05. Proponowany system osiągnął całkowitą wydajność systemu na poziomie 93,85%. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres optymalizacji zasobów zrównoważonych, metody: IDAFS, DSIAM, DVIRF, IoT-PA, liczba próbek.
Rysunek 9. Analiza optymalizacji zasobów zrównoważonych. Ocena optymalizacji zasobów zrównoważonych osiągniętej przez proponowany framework IoT-PA poprzez efektywne zarządzanie wodą i zasobami. Wyniki przedstawiono jako średnia ± odchylenie standardowe (n = 3 niezależne próby). Istotność statystyczną określono za pomocą parzystego testu t Studenta (p < 0.05). Proponowany framework osiągnął wskaźnik optymalizacji zasobów zrównoważonych na poziomie 94,25%. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Wykres procentowego stopnia realizacji SDG przez technologie cyfrowe w zależności od wielkości próby, w porównaniu czterech metod.
Rycina 10. Analiza technologii cyfrowych w realizacji Celów Zrównoważonego Rozwoju (SDG). Ocena wkładu proponowanego modelu IoT-PA (rolnictwo precyzyjne sterowane przez Internet Rzeczy) w realizację Celów Zrównoważonego Rozwoju (SDGs) poprzez poprawę efektywności wykorzystania wody, wydajności rolnictwa, inteligentnego nawadniania oraz zrównoważonego zarządzania zasobami. Wyniki przedstawiono jako średnia ± odchylenie standardowe (n = 3 niezależne próby). Istotność statystyczną oceniono za pomocą sparowanego testu t Studenta przy p < 0.05. Proponowany model osiągnął efektywność zgodności z SDG na poziomie 96,31%. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dyskusja

Dzięki IoT-PA cyfrowe rolnictwo może rozwiązać obecne problemy. W kontekście gospodarki zasobami i produkcji rolnej niniejsza praca proponuje monitorowanie w czasie rzeczywistym, nawadnianie oparte na czujnikach oraz podejmowanie decyzji w oparciu o dane. Wykorzystanie Internetu Rzeczy doprowadziło do spadku zużycia wody o 24,62% i wzrostu produkcji rolnej o 95,13%, co wykazuje rewolucyjny potencjał w zakresie zrównoważonego rozwoju. Cel SDG 2 (Zero Głodu) oraz SDG 12 (Odpowiedzialna Konsumpcja i Produkcja) zostały zrealizowane przy sprawności systemu na poziomie 93,85%. System osiągnął 96,31% efektywności w zakresie zgodności z celami SDG. Inteligentna automatyzacja zastępuje alternatywy wymagające dużych zasobów, aby poprawić bezpieczeństwo żywnościowe i stan środowiska. Badanie podkreśla, w jaki sposób czujniki, obliczenia w chmurze i automatyzacja mogą pomóc w budowie replikowalnych modeli rolniczych. Rolnictwo potrzebuje takich technologii ze względu na wzrost populacji i zmiany klimatyczne. Według niniejszego artykułu rewolucja cyfrowa może zwiększyć wydajność, odporność i zrównoważenie rolnictwa. Architektura IoT-PA zostanie zastosowana do innych upraw i regionów w przyszłych badaniach. AI usprawni meteorologię, analitykę prognostyczną oraz identyfikację szkodników. Aby zwiększyć dostęp rolników, należy położyć nacisk na niskokosztowe technologie i aplikacje mobilne. Zdefiniowane zostaną kwestie akceptowalności, jakości odbioru danych oraz globalne cele zrównoważonego rozwoju i bezpieczeństwa żywnościowego.

W porównaniu z zintegrowanym cyfrowym rolnictwem & Ramy systemów żywnościowych (IDAFS) zaproponowane przez Sridhara i współpracowników.¹⁸, która zapewnia kompleksowy przegląd technologii cyfrowych, w tym IoT, sztucznej inteligencji (AI), blockchaina, robotyki i big data w kontekście zrównoważonych systemów rolno-spożywczych, proponowany framework IoT-PA oferuje praktyczną implementację dla rolnictwa precyzyjnego. Podczas gdy IDAFS koncentruje się przede wszystkim na strategiach wdrażania technologii i transformacji cyfrowej na poziomie koncepcyjnym, IoT-PA integruje monitorowanie środowiskowe w czasie rzeczywistym, przetwarzanie danych w chmurze, zautomatyzowane sterowanie nawadnianiem oraz powiadomienia dla rolników w ramach jednolitego schematu operacyjnego. Taka integracja umożliwia ciągły monitoring pola oraz zautomatyzowane podejmowanie decyzji, co czyni platformę odpowiednią do precyzyjnego nawadniania i zarządzania zasobami.¹⁸Model analizy wpływu cyfrowego na Cele Zrównoważonego Rozwoju (DSIAM) autorstwa Vărzaru¹⁹ podkreśla rolę transformacji cyfrowej w zapewnieniu bezpieczeństwa żywnościowego oraz realizacji Celów Zrównoważonego Rozwoju poprzez analizy na poziomie politycznym i regionalnej analizy gospodarczej. W implementacji terenowej architektura IoT-PA wykorzystuje czujniki z obsługą IoT, zautomatyzowane sterowanie nawadnianiem oraz komunikację chmurową. Transformacja cyfrowa jest wykorzystywana w rolnictwie w celu poprawy gospodarki wodnej i zwiększenia produkcji roślinnej¹⁹DVIRF opracowany przez Zhanga i Zhanga²⁰ sprzyja zrównoważonemu rozwojowi obszarów wiejskich poprzez infrastrukturę cyfrową, integrację przemysłu wiejskiego oraz innowacje technologiczne. DVIRF wspiera regionalną transformację cyfrową bez systemu wspomagania decyzji w zakresie precyzyjnego nawadniania. Aby umożliwić rolnictwo inteligentne, struktura IoT-PA łączy ciągły monitoring sensoryczny, inteligentne harmonogramowanie nawadniania, analitykę w chmurze oraz zautomatyzowane zarządzanie zasobami.²⁰Zaproponowana architektura IoT-PA łączy w sobie sensorykę środowiskową, łączność, obliczenia w chmurze oraz zautomatyzowane nawadnianie w celu podejmowania decyzji i zarządzania wodą w czasie rzeczywistym. W porównaniu z koncepcyjnymi ramami cyfrowego rolnictwa¹⁸^,¹⁹^,²⁰projekt zwiększa efektywność operacyjną, ogranicza zaangażowanie człowieka i promuje zrównoważone rolnictwo. Jednak opracowana struktura posiada istotne wady. Niniejsza ocena eksperymentalna została przeprowadzona w normalnych warunkach rolniczych i nie została potwierdzona dla różnych rodzajów upraw, typów gleb, regionów klimatycznych ani w wielkoskalowej produkcji komercyjnej. W tej implementacji zastosowano określone progi wilgotności gleby, co nie wykorzystuje sztucznej inteligencji do predykcyjnego planowania nawadniania, prognozowania plonów, wykrywania szkodników i chorób ani symulacji upraw w oparciu o cyfrowe bliźniaki. Przyszłe badania będą wykorzystywać uczenie maszynowe, cyfrowe bliźniaki, teledetekcję oraz wyjaśnialną sztuczną inteligencję w celu usprawnienia predykcji rolniczej, skalowalności i elastyczności.

Podczas interpretacji wyników rolnictwa precyzyjnego sterowanego przez IoT (IoT-PA) należy wziąć pod uwagę pewne ograniczenia. Co do zasady, opracowany system nie został przetestowany dla różnych rodzajów upraw, charakterystyk gleby, warunków klimatycznych ani w kontekście wielkoobszarowego rolnictwa. Aby zapewnić optymalne działanie przy zróżnicowanych praktykach uprawowych, zarządzanie nawadnianiem wykorzystuje progi wilgotności gleby, które mogą wymagać kalibracji specyficznej dla danej rośliny. Niniejsza aplikacja wykorzystuje monitorowanie środowiska w oparciu o IoT oraz zautomatyzowane zarządzanie nawadnianiem, a nie sterowane przez AI nawadnianie predykcyjne, diagnostykę szkodników i chorób, zarządzanie składnikami odżywczymi ani wielospektralne teledetekcję. Łączność sieciowa, dokładność kalibracji czujników oraz czynniki klimatyczne wpływające na transmisję danych w czasie rzeczywistym mogą obniżać wydajność systemu w odległych obszarach rolniczych.

Oświadczenia

Autorzy nie deklarują żadnego konfliktu interesów.

Podziękowania

Badanie to nie otrzymało żadnego konkretnego grantu od żadnej instytucji finansującej w sektorze publicznym, komercyjnym ani non-profit.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
Arduino IDE	Arduino	Version 2.x https://www.arduino.cc/en/software	Zintegrowane środowisko programistyczne, opracowywanie oprogramowania układowego ESP32
Pojemnościowy czujnik wilgotności gleby	DFRobot	SEN0193	Pomiar objętościowej wilgotności gleby; Napięcie zasilania 3.3–5.5 V
Chmurowa platforma IoT	Amazon Web Services	AWS IoT Core https://aws.amazon.com/iot-core	Chmurowa platforma IoT do przechowywania danych, wizualizacji i zdalnego monitorowania
Zasilacz DC	Mean Well	/	Zasilanie kontrolera i pompy; regulowane wyjście 12 V DC, model: LRS-50-12
Pompa wodna DC	Dostępna w handlu	/	Zautomatyzowane nawadnianie; Pompa 12 V DC
Cyfrowy czujnik natężenia światła	Rohm Semiconductor	BH1750FVI	Pomiar natężenia światła otoczenia; 1–65535 lux
Płyta programistyczna ESP32	Espressif Systems	ESP32-DEVKITC-32D	Dwurdzeniowy MCU 240 MHz, Wi-Fi/Bluetooth; główny kontroler do akwizycji danych z czujników i sterowania nawadnianiem
Microsoft Excel	Microsoft Corporation	Microsoft 365 https://www.microsoft.com/microsoft-365/excel	Oprogramowanie arkuszowe do organizacji i wizualizacji danych
Broker MQTT	Eclipse Foundation	Mosquitto v2.x https://mosquitto.org	Komunikacja komunikatami IoT; protokół MQTT
Python	Python Software Foundation	Version 3.x https://www.python.org	Język programowania do wstępnego przetwarzania danych i analizy statystycznej
Moduł czujnika opadów	DFRobot	/	Wyjście analogowe/cyfrowe; wykrywanie opadów; model: SEN0308
Jednokanałowy moduł przekaźnika	Songle	SRD-05VDC-SL-C	Przełączanie pompy nawadniającej ON/OFF; przekaźnik 5 V
Czujnik temperatury i wilgotności	Adafruit Industries	DHT22 (AM2302)	Monitorowanie środowiska; Temperatura ±0.5 °C; Wilgotność ±2% RH
Przeglądarka internetowa	Google LLC	Google Chrome (najnowsza stabilna wersja) https://www.google.com/chrome	Dostęp do panelu sterowania AWS IoT
Router Wi-Fi	TP-Link Technologies	/	Bezprzewodowa komunikacja między ESP32 a chmurą; IEEE 802.11 b/g/n/ac; model: Archer C6

Bibliografia

Nhamo G, Chikodzi D, Dube K. Sustainable Development Goals for Society. Vol. 1. Springer International Publishing; 2021.
Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
Ajaj R, Buheji M, Hassoun A. Optimizing the readiness for industry 4.0 in fulfilling the Sustainable Development Goal 1: Focus on poverty elimination in Africa. Front Sustain Food Syst. 2024;8:1393935.
Hiywotu AM. Advancing sustainable agriculture for goal 2: zero hunger-a comprehensive overview of practices, policies, and technologies. Agroecol Sustain Food Syst. 2025;49(7):1027–55.
Venkatesh R. Effect of Boron Nitride on Mechanical Characteristics of LDPE Nanocomposite made with Ramie Fiber. J Inst Eng India Ser D. 2024.
Arun M, et al. Integrated renewable energy supply architecture for advancing hydrogen symbiosis and eco synergistic smart grid interactions with next generation combustion technologies. Sci Rep. 2025;15(1):25619.
Venkatesh R. Synthesis and Behavior Study of Basalt Fiber-Made Low-Density Polyethylene Composites Via Injection Mold. J Inst Eng India Ser D. 2024.
Jayakrishnan R, Johnpaul V, Balasundaram N, Senthilkumar S. Stabilization of black cotton soil in Chittur region in Palakkad using lime, rice husk ash, coir fibre. Indian J Eng. 2026;23:e3ije1709.
Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low-Carbon Technol. 2025;20:820–33.
Arun M, Barik D, Sridhar KP, Vignesh G. Experimental and CFD analysis of plain and dimples tube at application of solar water heater. Mater Today Proc. 2021;42:804–9.
Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low-Carbon Technol. 2024;19:2420–30.
Ogbonnaya EP, et al. Efficacy of moringa oleifera leaf extract as a phytogenic additive in finisher broiler chickens. Discov Agric. 2026;12:e14da3219.
Giganti P, Borrello M, Falcone PM, Cembalo L. The impact of blockchain technology on enhancing sustainability in the agri-food sector: A scoping review. J Clean Prod. 2024;456:142379.
Rinesh S, Arun M, Kumar SN, Prajitha C, Kumar AS. Evaluating the type 2 fuzzy logic controller with multilayer perceptrons for optimal tracking of solar photovoltaic systems. Int J Low-Carbon Technol. 2025;20:394–403.
Gupta S, et al. Operationalizing Digitainability: Encouraging mindfulness to harness the power of digitalization for sustainable development. Sustainability. 2023;15(8):6844.
Urugo MM, et al. Journal of agriculture and food research. J Agric Food Res. 2024;18:101316.
Hong Z, Xiao K. Digital economy structuring for sustainable development: the role of blockchain and artificial intelligence in improving supply chain and reducing negative environmental impacts. Sci Rep. 2024;14(1):3912.
Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO2 nanofluid. Int J Photoenergy. 2022;2022(1):8595591.
Vărzaru AA. Unveiling digital transformation: a catalyst for enhancing food security and achieving sustainable development goals at the European Union level. Foods. 2024;13(8):1226.
Zhang J, Zhang W. Harnessing digital technologies for rural industrial integration: a pathway to sustainable growth. Systems. 2024;12(12):564.
Vahdanjoo M, Sørensen CG, Nørremark M. Digital transformation of the agri-food system. Curr Opin Food Sci. 2025;63:101287.
Khan N, et al. Potential role of technology innovation in transformation of sustainable food systems: A review. Agriculture. 2021;11(10):984.
Singh V, Borisagar D, Singh OP, Verma SK. Enhancing agricultural competitiveness: harnessing value chains and agro-processing for sustainable growth. In: Sustaining the Global Agriculture Supply Chain. IGI Global Scientific Publishing; 2025. p. 37–72.
Bocean CG. A longitudinal analysis of the impact of digital technologies on sustainable food production and consumption in the European Union. Foods. 2024;13(8):1281.
Dayıoğlu ME, Türker UF. Digital transformation for sustainable future-agriculture 4.0: A review. J Agric Sci (Tarim Bilimleri Derg). 2021;27(4).
DataIntelo. Agriculture Digital Twin Market Report: Global Industry Analysis, Growth, Trends, and Forecast. DataIntelo Research; 2025. Available from: DataIntelo Agriculture Digital Twin Market Report.

Przedruki i uprawnienia

Tagi

Rolnictwo IoT inteligentne nawadnianie zrównoważona produkcja żywności sieci czujników monitorowanie wilgotności gleby analityka danych rolniczych adaptacja do zmian klimatu zarządzanie zasobami